Modelo predictivo basado en técnicas avanzadas de aprendizaje automático para la estimación precisa y personalizada del gasto calórico en actividades físicas

Abstract

Los métodos convencionales de estimación calórica, ecuaciones generalizadas y equivalentes metabólicos presentan limitaciones estructurales al ignorar el perfil fisiológico individual del usuario. Este proyecto desarrolla y evalúa un modelo predictivo basado en técnicas avanzadas de aprendizaje automático para la estimación precisa y personalizada del gasto calórico durante actividades físicas, desde el análisis exploratorio hasta el despliegue de un sistema interactivo. Sobre el dataset público gym_members_exercise_tracking (Khorasani, 2023), se evaluaron cinco algoritmos de aprendizaje automático supervisado bajo tres estrategias arquitectónicas mediante validación cruzada K-Fold. El modelo seleccionado, XGBoost con el nivel de experiencia codificado como variable predictora, fue optimizado mediante búsqueda bayesiana de hiperparámetros con Optuna TPE, reduciendo el MAE de 19.79 a 9.22 kcal (−53.4 %, R² = 0.9979). La explicabilidad se instrumentó con SHAP TreeExplainer, particionada por segmento fisiológico. El sistema se despliega mediante una arquitectura FastAPI + Streamlit que integra predicción puntual, intervalos cuantílicos calibrados al 80 % y contribuciones SHAP por variable. Los resultados demuestran la viabilidad técnica del enfoque, aunque la naturaleza semisintética del dataset limita la validez externa del modelo sobre datos biométricos reales. Palabras clave: Gasto calórico, XGBoost, optimización bayesiana, SHAP, aprendizaje automático supervisado, dashboard interactivo.